Management and Future Technologies | Volume 3, Issue 3 | № 011

IPTV xizmatlarida video uzatish sifati tarmoqdagi paketlarning yetib borish darajasiga bevosita bog‘liq. Paketlarning yo‘qolishi video oqimining uzilishiga, tasvir sifati pasayishiga hamda foydalanuvchi tajribasining yomonlashishiga olib keladi.Shu sababli IPTV tarmoqlarini loyihalashda paket yo‘qotilishi darajasini nazorat qilish muhim ahamiyatga ega [11]. 1-jadvalda paket yo‘qotilishi darajasi va video sifati o‘rtasidagi bog‘liqlik keltirilgan. 1-jadval. Paket yo‘qotilishi va video sifati o‘rtasidagi bog‘liqlik № Paket yo‘qotilishi (%) Video sifati 1. 0 Juda yuqori 2. 0.5 Yuqori 3. 1 Yaxshi 4. 2 O‘rtacha 5. 3 Past 6. 5 Juda past Jadvaldan ko‘rinib turibdiki, paket yo‘qotilishi darajasi ortishi bilan video tasvir sifati sezilarli darajada pasayadi. Shu sababli IPTV xizmatlarini samarali tashkil etish uchun tarmoqda paket yo‘qotilishi darajasini minimal qiymatda ushlab turish zarur. IP tarmoqlari orqali video uzatishda paketlarning yo‘qolishi tasvir sifatiga sezilarli ta’sir ko‘rsatadi. Paket yo‘qotilishi ortishi bilan video oqimining barqarorligi pasayadi va tasvirda uzilishlar yoki buzilishlar paydo bo‘lishi mumkin. Shu sababli IPTV tizimlarida paket yo‘qotilishi darajasini minimal qiymatda ushlab turish muhim hisoblanadi. 8-rasmda paket yo‘qotilishi va video sifati o‘rtasidagi bog‘liqlik ko‘rsatilgan. 8-rasm. Paket yo‘qotilishi va video sifati o‘rtasidagi bog‘liqlik 40

Mazkur maqolada IPTV tizimining arxitekturasi, uning asosiy tarkibiy qismlari hamda ishlash prinsiplari ko‘rib chiqildi. IPTV xizmatlarini tashkil etishda bosh stansiya, kodlash tuguni, VoD tizimi, Middleware platformasi, abonent qurilmalari hamda shartli kirish tizimi muhim ahamiyatga ega ekanligi aniqlandi. Ushbu komponentlarning o‘zaro uyg‘un ishlashi foydalanuvchilarga sifatli multimedia xizmatlarini taqdim etishni ta’minlaydi. Tahlillar shuni ko‘rsatdiki, IP tarmoqlari orqali video uzatishda xizmat sifati ko‘rsatkichlari - paket yo‘qotilishi, kechikish va jitter kabi parametrlar muhim rol o‘ynaydi. Paket yo‘qotilishi darajasi ortishi video tasvir sifatining pasayishiga olib keladi. Shu sababli IPTV xizmatlarini samarali tashkil etish uchun tarmoq o‘tkazuvchanlik qobiliyatini to‘g‘ri rejalashtirish hamda QoS mexanizmlarini qo‘llash zarur. 3. XULOSA Natijada, IPTV texnologiyasidan foydalanish telekommunikatsiya tarmoqlarida multimedia xizmatlarini kengaytirish va foydalanuvchilarga yuqori sifatli video xizmatlarini taqdim etish imkonini beradi. Kelgusida IPTV tizimlarining samaradorligini oshirish uchun tarmoq resurslarini optimallashtirish va xizmat sifatini monitoring qilish usullarini takomillashtirish muhim hisoblanadi. FOYDALANILGAN ADABIYOTLAR 1. Stallings W. High-Speed Networks and Internets: Performance and Quality of Service.– 2nd ed. – New Jersey: Prentice Hall, 2002. 2. Parsons J. The Multimedia Internet: Broadcasting over IP.– Chichester: John Wiley & Sons, 2006. 3. Cisco Systems. IPTV Architecture and Deployment Guide.– Cisco Press, 2013. 4. ITU-T Recommendation Y.1910. IPTV Functional Architecture.– International Telecommunication Union, Geneva, 2008. 5. Кривошеев М.И., Федунин В.Г. Интерактивное телевидение. – М.: Радио и связь, 2000. 6. Степанов А. IP и TV новые возможности для вещателей или телесмотрение без вещателей // Broadcasting. 2007. 7. Пескин А.Е., Труфанов В.Ф. Ммировое вещательное телевидение, стандарты и системы. Справочник. – М.: Горячая линия – Телеком, 2004. 8. Ричардсон Я. Мир цифровой обработки. – М.: Техносфера, 2005. 9. Смирнов А.В., Пескин А.Е. Цифровое телевидение от теории к практике. – М.: Горячая линия – Телеком, 2004. 10. Локшин Б.А. Цифровое вещание: от студии к телезрителю. – М.: Сайрус-Системс, 2001. 11. Косарев А.В. Бизнес-процессы при реализации проекта IPTV // Вестник связи. 2007. №4. 41

CHEKLANGAN MUHITLAR UCHUN MIRACL KRIPTOGRAFIK KUTUBXONASI TAHLILI B.N. Raximov 1, A.A. Komilov 2 va N.T. Boboyev 2,* 1 Axborot-kommunikatsiya texnologiyalari va harbiy aloqa instituti; brah2008@rambler.ru 2 Axborot-kommunikatsiya texnologiyalari va harbiy aloqa instituti; alisher.abdumannob@gmail.com 3 Axborot-kommunikatsiya texnologiyalari va harbiy aloqa instituti; mrkhanzo9797@gmail.com Annotatsiya: Ochiq kalitli kriptografiya raqamli xavfsizlikning tayanch texnologiyalaridan biri bo‘lib, hisoblash quvvati, xotira va energiya iste'moli cheklangan qurilmalarda uni amalga oshirish alohida ahamiyat kasb etadi. Ushbu ishning maqsadi MIRACL (Multiprecision Integer and Rational Arithmetic Cryptographic Library) kriptografik kutubxonasining cheklangan muhitlardagi arxitekturasini, imkoniyatlarini va amaliy qo‘llash jihatlarini baholashdan iborat. Tadqiqot MIRACL rasmiy repozitoriysining manba kodini, loyiha hujjatlarini hamda tegishli ilmiy adabiyotlarni tahlil qilish usuliga asoslanadi; katta sonlar arifmetikasi, chekli maydonlar, elliptik egri chiziqlar, juftlik asosidagi kriptografiya, RSA, IEEE P1363, platforma konfiguratsiyasi va litsenziyalash modeli ko‘rib chiqildi. Natijalar shuni ko‘rsatadiki, MIRACL'ning past darajadagi hisoblash nazorati va keng kriptografik qamrovi uning asosiy ustunligi hisoblanadi, biroq klassik kod bazasining rivojlanish holati, AGPLv3 litsenziyasi va zamonaviy xavfsizlik talablari yangi loyihalarda qo‘shimcha baholashni taqozo etadi. Xulosa sifatida, klassik MIRACL ta’limiy va tarixiy ahamiyatini saqlab qolgan holda, yangi tizimlar uchun uning rasmiy vorisi miracl/core hamda RELIC, libsodium/NaCl, OpenSSL va PBC kabi muqobillar bilan qiyosiy baholash zarurligi asoslandi. Kalit so‘zlar: MIRACL; elliptik egri chiziqlar kriptografiyasi; juftlik asosidagi kriptografiya; RSA; IEEE P1363; cheklangan qurilmalar; ko‘mma tizimlar; AGPLv3; miracl/core 1. KIRISH Ochiq kalitli kriptografiya raqamli xavfsizlikning tayanch texnologiyalaridan biri bo‘lib, uning amaliy samaradorligi ko‘p hollarda ishlatilayotgan matematik konstruksiyaning hisoblash resurslariga bo‘lgan talabiga bog‘liq. Elliptik egri chiziqlar kriptografiyasi (ECC) RSA yoki klassik diskret logarifmga asoslangan sxemalarga nisbatan kichikroq kalit o‘lchamlarida yetarli xavfsizlik darajasini ta'minlashi sababli hisoblash quvvati, xotira va energiya iste'moli cheklangan muhitlarda muhim vositaga aylangan [1]–[6]. Bunday muhitlarga mobil qurilmalar, smart-kartalar, ko‘mma tizimlar, mikrokontrollerlar hamda sanoat nazorat-boshqaruv tizimlari kiradi. ECC'ning tabiiy kengaytmasi bo‘lgan juftlik asosidagi kriptografiya identifikatorga asoslangan shifrlash, qisqa raqamli imzolar va murakkab kalit almashish protokollarini qurish imkonini beradi [7]. Biroq pairing-friendly egri chiziqlar, kengaytirilgan maydonlar va maxsus optimallashtirishlar sababli bunday tizimlarni “noldan” ishlab chiqish xavfi yuqori bo‘lib, amaliyotda sinovdan o‘tgan kriptografik kutubxonalarga tayanish maqsadga muvofiqdir [8]. MIRACL (Multiprecision Integer and Rational Arithmetic Cryptographic Library) aynan shunday kutubxonalardan biri bo‘lib, cheklangan muhitlarda katta sonlar arifmetikasi va kriptografik primitivlarni amalga oshirishga yo‘naltirilgan. Tadqiqot sohasining hozirgi holatini 42

hisobga olganda, klassik MIRACL kod bazasining rivojlanishi to‘xtagan va rasmiy vorislik miracl/core loyihasiga o‘tgan [10], [12]. Shu sababli ushbu ishning maqsadi klassik MIRACL arxitekturasi, kriptografik qamrovi, platformaga moslashuvchanligi va litsenziyalash modelini manba kodi darajasida baholash hamda uni zamonaviy muqobillar bilan qiyoslashdan iborat. Ishning ahamiyati cheklangan qurilmalar uchun kriptografik kutubxona tanlashda asosli qaror qabul qilishga xizmat qilishida ko‘rinadi. 2. MATERIALLAR VA USULLAR Tadqiqot MIRACL rasmiy repozitoriysining manba kodi, loyiha hujjatlari hamda tegishli ilmiy adabiyotlarni sifatiy tahlil qilishga asoslangan [10]. Kutubxona tayyor TLS steki yoki “qora quti” kalit boshqaruvi tizimi emas; u foydalanuvchiga katta sonlar, maydon elementlari va elliptik egri chiziq nuqtalari bilan ishlash imkonini beruvchi quyi darajadagi kriptografik vositalarni taqdim etadi. Shu sababli dasturchi kerakli protokolni mavjud primitivlardan yig‘adi. Bunday dizayn MIRACL'ga yuqori darajadagi kutubxonalarga qaraganda ko‘proq moslashuvchanlik beradi, lekin noto‘g‘ri parametr va noto‘g‘ri API ishlatilishi xavfini ham oshiradi. Manba kodining jami 241 ta fayldan iborat ekaniga qaramay, barcha fayllar satrma-satr emas, balki har bir arxitektura mavzusi — umumiy tuzilma, katta sonlar arifmetikasi, maydonlar va egri chiziqlar, pairing, RSA/P1363, platforma konfiguratsiyasi, litsenziya, namuna dasturlar va qurilish tizimi — bo‘yicha vakillik qiluvchi fayllar tanlab o‘rganildi. Tahlil qilingan klassik repozitoriydagi oxirgi commit 2019-yil 21-avgustga tegishli. Mustaqil ishlash tezligi, xotira sarfi, kod hajmi bo‘yicha benchmarklar hamda konstant-vaqt va yon-kanal xususiyatlari bo‘yicha amaliy testlar ushbu ish doirasiga kiritilmadi; shu sababli natijalar tavsiflovchi xulosa sifatida talqin qilinishi lozim [10]. 3. NATIJALAR Umumiy arxitektura MIRACL C dasturlash tilidagi yadro va ixtiyoriy C++ wrapper qatlamiga ega. Kutubxona qatlamli tuzilishga ega bo‘lib, quyi darajadagi qurilish bloklari yuqori qatlamlarga hisoblash poydevori vazifasini bajaradi (1-rasm). Manba kodida RSA, elliptik egri chiziq imzolari, IEEE P1363 primitivlari hamda BN, BLS, KSS va MNT juftlikka mos egri chiziqlariga oid amalga oshirishlar mavjud. Katta sonlar arifmetikasi Katta sonlar arifmetikasi MIRACL'ning keyingi qatlamlari uchun asosiy hisoblash poydevorini tashkil qiladi. Yadro arifmetikasi source/mrcore.c hamda mrarth0.c–mrarth3.c fayllar oilasida joylashgan bo‘lib, modulli hisoblash uchun source/mrmonty.c faylida Montgomery reduction usuli amalga oshirilgan [27]. Platformaga bog‘liq ko‘paytirish va bo‘lish amallari mrmuldv.* fayllar oilasi orqali ajratilgan; turli protsessorlar uchun alohida variantlarning mavjudligi MIRACL'ning cheklangan qurilmalarda apparatga moslashtirilgan hisoblashni ko‘zlaganini ko‘rsatadi. C++ qatlamida esa shu funksionallik Big klassi kabi abstraksiyalar orqali ob'ektga yo‘naltirilgan ko‘rinishda taqdim etiladi. Chekli maydonlar va elliptik egri chiziqlar Katta sonlar qatlamining ustida chekli maydonlar va elliptik egri chiziqlar bilan ishlash imkoniyatlari shakllanadi. MIRACL GF(p) va GF(2^m) maydonlarini hamda Weierstrass tipidagi egri chiziqlarni qo‘llab-quvvatlaydi; kutubxona tarkibida Edwards egri chiziqlariga oid amalga 43

oshirish ham mavjud. C qatlamida GF(p) nuqtalari epoint, C++ qatlamida esa ECn turi orqali ifodalanadi, GF(2^m) uchun alohida ec2 mexanizmi mavjud. Standart misol egri chiziqlarida A = −3 kabi parametrlar tanlangan bo‘lsa-da, bu MIRACL'ning barcha egri chiziqlari uchun majburiy cheklov emas; parametr tanlashning o‘zi xavfsizlik masalasi ekanini hisobga olish zarur [10]. 1-rasm. Miracl kutubxonasining qatlamli arxitekturasi. Juftlik asosidagi kriptografiya MIRACL manba kodida BN, BLS, KSS va MNT kabi pairing-friendly egri chiziq oilalari alohida modullar bilan amalga oshirilgan (2-rasm). Masalan, BN bo‘yicha bn.cpp va bn_pair.cpp, BLS bo‘yicha bls.cpp, bls12.cpp, bls24.cpp hamda imzolash va tekshirish uchun bls_sign.cpp va bls_ver.cpp fayllari mavjud. BLS qisqartmasi bu yerda ikki xil tushunchani — pairing-friendly egri chiziq oilasi va Boneh–Lynn–Shacham qisqa raqamli imzo sxemasini — anglatishi mumkin [17], [18]. 2-rasm. MIRACL manba kodida amalga oshirilgan pairing-friendly egri chiziq oilalari. 44

Pairing imkoniyatlari doirasida autentifikatsiyalangan kalit almashish hamda identifikatorga asoslangan shifrlash bilan bog‘liq konstruksiyalar keltirilgan: HIBE, ichki ko‘paytmaga asoslangan shifrlash, ciphertext-policy attribute-based encryption va keyword-search encryption kabi namuna amalga oshirishlar mavjud. MNT implementatsiyasi Miyaji, Nakabayashi va Takano ishlariga, BN pairing optimallashtirishlari esa tegishli pairing adabiyotlariga bog‘langan [16], [19]. Shu bilan birga, MIRACL kodida ayrim pairing egri chiziqlari uchun tarixiy AES-128 darajasidagi xavfsizlik da'volari uchraydi, biroq zamonaviy ilmiy natijalar ayrim BN-tipidagi egri chiziqlarning samarali xavfsizlik baholarini qayta ko‘rib chiqishni talab qilgan [28], [29]. RSA va IEEE P1363 primitivlari MIRACL ECC va pairing bilan chegaralanmay, RSA va IEEE P1363 standartiga oid primitivlarni ham qamrab oladi. RSA zanjiri genkey.c, encode.c/decode.c, enciph.c/deciph.c kabi dasturlar orqali ko‘rsatilgan, shuningdek source/rsat.c mavjud. source/p1363/ modulida diskretlogarifm asosidagi kalit almashish va imzo sxemalari, elliptik egri chiziq analoglari, faktorizatsiyaga asoslangan RSA sxemalari hamda MGF1, PSS, OAEP, KDF, MAC va HMAC kabi yordamchi konstruksiyalar amalga oshirilgan [9]. Platforma konfiguratsiyasi Kutubxonaning cheklangan qurilmalarga yo‘naltirilganligi platforma konfiguratsiya fayllarida yaqqol ko‘rinadi (1-jadval). Loyiha tarkibida arm.txt, pic32.txt, st22.txt, smartmip.txt, blackfin.txt va texasdsp.txt kabi platforma hujjatlari mavjud; SmartMIPS misolida taxminan 16 KB operativ xotira cheklovi alohida qayd etilgan. mirdef.h mexanizmi MIRACL 32/MIRACL 64, so‘z o‘lchami, endianlik va assemblerdan foydalanish kabi parametrlarni markazlashtiradi, mrmuldv.* fayllari esa mos past darajadagi arifmetik variantni tanlashga xizmat qiladi [10]. Fayl 1-jadval. MIRACL repozitoriyasidagi platforma konfiguratsiya fayllari. Maqsadli platforma Izoh arm.txt ARM mikroprotsessorlari ARM arxitekturasi uchun qurish sozlamalari pic32.txt Microchip PIC32 32-bitli mikrokontroller konfiguratsiyasi st22.txt STMicroelectronics ST22 Smart-karta protsessori smartmip.txt SmartMIPS ~16 KB operativ xotira cheklovi qayd etilgan blackfin.txt Analog Devices Blackfin DSP arxitekturasi texasdsp.txt Texas Instruments DSP Raqamli signal protsessori Namuna dasturlar va qurilish tizimi MIRACL bilan birga keladigan namuna dasturlar uning amaliy va ta'limiy imkoniyatlarini kengaytiradi: repozitoriyda faktorizatsiya algoritmlari, DSA oilasi, GF(p) va GF(2^m) ustidagi ECC imzolari, egri chiziq generatsiyasi va nuqta sanash vositalari, Cramer–Shoup shifrlash sxemasi, tezkor oldindan hisoblash vositalari, pairing, AKE va IBE namunalari mavjud. Qurilish tizimi Makefile yoki CMake asosidagi yagona avtomatik modeldan ko‘ra platformaga xos skriptlar bilan tashkil etilgan. Masalan, linux.txt C ilovalarini miracl.a statik kutubxonasiga, C++ dasturlarini esa bir qator qo‘shimcha obyekt fayllariga bog‘lashni ko‘rsatadi. Bunday yondashuv 45

portativlikni ta'minlagan bo‘lsa-da, zamonaviy CI/CD muhitiga moslashishda qo‘shimcha muhandislik ishlarini talab qilishi mumkin [10]. Litsenziyalash modeli Tahlil qilingan manba fayllari GNU Affero General Public License, version 3 (AGPLv3) ostida tarqatilishini ko‘rsatadi va sarlavha qismlarida tijorat litsenziyasi ham alohida variant sifatida ko‘rsatilgan. AGPLv3 GPLv3 bilan solishtirganda tarmoq orqali xizmat ko‘rsatish holatlariga ham qo‘shimcha talablar qo‘yishi mumkin [30], [31]. Shu sababli MIRACL'ni serverda ishlaydigan yopiq manbali tijorat xizmatiga yoki embedded firmware tarkibiga integratsiya qilishdan oldin litsenziya talablarini huquqiy jihatdan tekshirish zarur; manba hujjatlarida berilgan tijorat litsenziyasi aynan shu muammoni amaliy hal qilishga mo‘ljallangan variant sifatida ko‘rsatiladi [32]. 4. MUHOKAMA MIRACL'ni boshqa kriptografik kutubxonalar bilan qiyoslash uning o‘rnini aniqroq belgilash imkonini beradi (2-jadval). RELIC dizayn falsafasi bo‘yicha MIRACL'ga eng yaqin muqobillardan biri bo‘lib, past darajadagi va yuqori moslashuvchan ECC/pairing vositalarini taqdim etadi. PBC pairing asosidagi tadqiqotlarga ixtisoslashgan bo‘lsa, libsodium/NaCl yuqori darajadagi, "xato qilishga qiyin" interfeysni tanlaydi va foydalanuvchini ko‘plab parametrlarni qo‘lda tanlashdan ozod qiladi. OpenSSL esa TLS va umumiy maqsadli sanoat kriptografik infratuzilmasi sifatida kengroq ekotizimga ega. Demak, MIRACL va RELIC moslashuvchanlik tomonida, libsodium esa xavfsizlik-birinchi va misuse-resistant dizayn tomonida joylashadi; OpenSSL esa ishlab chiqarishga yo‘naltirilganligi bilan ajralib turadi [20]–[23]. 2-jadval. MIRACL va muqobil kriptografik kutubxonalarning qiyosiy tavsifi. Asosiy yo‘nalish API darajasi Litsenziya Qo‘llab-quvvatlash holati MIRACL [10] ECC, RSA, keng juftlik qamrovi, cheklangan qurilmalar (C/C++) Past darajali, moslashuvchan AGPLv3 / tijorat Faol emas — miracl/core'ga o‘tgan miracl/core [12] ECC/pairing, yon-kanalga chidamli (loyiha da'vosi) Past-o‘rta, ko‘p tilli Apache 2.0 Faol qo‘llabquvvatlanadi RELIC [20] ECC/pairing, tadqiqot Past darajali, yuqori moslashuvchan Apache 2.0 / LGPL-2.1 Faol PBC [21] Pairing-asosidagi tadqiqot o‘rta darajali LGPL / Apache 2.0 Faol emas libsodium/Na Cl [22], [8] Umumiy maqsadli, xatochidamli Yuqori, misuseresistant ISC Faol qo‘llabquvvatlanadi OpenSSL [23] TLS / umumiy maqsadli o‘rta-yuqori, keng qamrovli Apache 2.0 (3.0dan) Faol, sanoat standarti Kutubxona 46

MIRACL'ning texnik davomiyligini tushunishda uning rasmiy vorisi miracl/core alohida ahamiyatga ega. Apache Milagro Crypto Library (AMCL) MIRACL'dan keyingi, IoT yo‘nalishidagi bosqichni ifodalagan va keyinchalik miracl/core nomi ostida qayta tashkil etilgan. Miracl/core C va C++ bilan bir qatorda Go, Rust, Python, Java, JavaScript va Swift tillariga yo‘naltirilgan; loyiha hujjatlarida yon-kanal hujumlariga chidamlilikni hisobga olgan qayta loyihalashga urg‘u berilgan [12], [24]–[26]. Bu xususiyat ushbu ishda mustaqil sinovdan o‘tkazilmagan bo‘lsa-da, klassik MIRACL va zamonaviy vorisni bir xil mahsulot deb qarash noto‘g‘riligini ko‘rsatadi. Amaliy nuqtayi nazardan, MIRACL'ni tanlash maqsadli platforma, mahsulotning litsenziya modeli, zarur kriptografik primitivlar va xavfsizlik talablarining birgalikdagi bahosiga asoslanishi kerak. o‘ta cheklangan mikrokontroller yoki smart-karta uchun platforma-maxsus konfiguratsiya foydali bo‘lishi mumkin; yopiq manbali tijorat mahsulotida AGPLv3 talablari alohida huquqiy tekshiruvni taqozo etadi. Yon-kanal hujumlariga chidamlilik muhim bo‘lsa, faol qo‘llabquvvatlanadigan miracl/core mantiqiyroq; faqat tor doiradagi zamonaviy primitivlar kerak bo‘lsa, libsodium soddaroq va misuse-resistant yondashuvni beradi; pairing yoki IEEE P1363 kabi maxsus imkoniyatlar zarur bo‘lganda esa MIRACL yoki RELIC maqsadga muvofiqdir [12], [20], [22]. Ushbu tahlilning muhim cheklovi shundan iboratki, mustaqil ishlash tezligi, xotira sarfi va kod hajmi bo‘yicha benchmarklar hamda konstant-vaqt va yon-kanal xususiyatlari amaliy test bilan tekshirilmagan. Kelgusida MIRACL va miracl/core'ni bir xil apparatda zamonaviy egri chiziqlar asosida mustaqil qiyosiy o‘lchash, xotira va kod hajmini baholash hamda yon-kanal xavfsizligini tajriba asosida tekshirish ushbu yo‘nalishdagi tadqiqotlarni to‘ldirishi mumkin. 5. XULOSA o‘tkazilgan tahlil MIRACL o‘zining past darajadagi nazorati, keng kriptografik qamrovi va cheklangan qurilmalarga yo‘naltirilganligi bilan tarixiy va ta'limiy ahamiyatini saqlab qolishini ko‘rsatadi. Biroq yangi loyihalarda klassik MIRACL'ni bevosita tanlashdan oldin uning rivojlanish holati, AGPLv3 litsenziyasi, qo‘llanilayotgan egri chiziq va pairing parametrlarining zamonaviy xavfsizligi hamda talab etilayotgan platforma imkoniyatlari baholanishi kerak. Faol qo‘llabquvvatlanadigan miracl/core yangi tizimlar uchun muhim muqobil bo‘lib, klassik MIRACL esa mavjud eski kod bazalarini qo‘llab-quvvatlash, ta'limiy vazifalar va maxsus kriptografik konstruksiyalarni o‘rganish nuqtayi nazaridan amaliy ahamiyatga ega bo‘lib qoladi. FOYDALANILGAN ADABIYOTLAR: 1. Miller, V.S. Use of elliptic curves in cryptography. In Advances in Cryptology — CRYPTO '85, LNCS vol. 218; Springer: Berlin, Germany, 1985; pp. 417–426. 2. Koblitz, N. Elliptic curve cryptosystems. Mathematics of Computation, 1987, 48 (177), 203–209. 3. Lenstra, A.K.; Verheul, E.R. Selecting cryptographic key sizes. Journal of Cryptology, 2001, 14 (4), 255–293. 4. Tidrea, A.; Korodi, A.; Silea, I. Elliptic curve cryptography considerations for securing automation and SCADA systems. Sensors, 2023, 23 (5), art. 2686. 47

5. Chochtoula, D.; Ilias, A.; Stamatiou, Y.C.; Makris, C. Integrating elliptic curve cryptography with the Modbus TCP SCADA communication protocol. Future Internet, 2022, 14 (8), art. 232. 6. Popa, L.; Groza, B.; Murvay, P.-S. Performance evaluation of elliptic curve libraries on automotive-grade microcontrollers. In Proc. 14th Int. Conf. on Availability, Reliability and Security (ARES); ACM, 2019; doi: 10.1145/3339252.3341480. 7. Dutta, R.; Barua, R.; Sarkar, P. Pairing-based cryptographic protocols: A survey. Cryptology ePrint Archive, Report 2004/064, 2004. 8. Bernstein, D.J.; Lange, T.; Schwabe, P. The security impact of a new cryptographic library. In Progress in Cryptology — LATINCRYPT 2012, LNCS vol. 7533; 2012; pp. 159–176. 9. IEEE Standards Association. IEEE Std 1363-2000: IEEE Standard Specifications for Public-Key Cryptography; IEEE: New York, NY, USA, 2000. 10. MIRACL Ltd. MIRACL: MIRACL Cryptographic SDK. GitHub repository. https://github.com/miracl/MIRACL, commit b9b8fd47 (accessed Jul. 27, 2026). 11. FinSMEs. CertiVox Acquires Shamus Software, 2011. https://www.finsmes.com/2011/12/certivox-acquires-shamus-software.html 12. MIRACL Ltd. core: MIRACL Core. GitHub repository. https://github.com/miracl/core (accessed Jul. 27, 2026). 13. Pigatto, D.F.; da Silva, N.B.F.; Branco, K.R.L.J.C. Performance evaluation and comparison of algorithms for elliptic curve cryptography with El-Gamal based on MIRACL and RELIC libraries. Journal of Applied Computing Research, 2011. 14. Barreto, P.S.L.M.; Naehrig, M. Pairing-friendly elliptic curves of prime order. In Selected Areas in Cryptography — SAC 2005, LNCS vol. 3897; 2006; pp. 319–331. 15. Kachisa, E.J.; Schaefer, E.F.; Scott, M. Constructing Brezing-Weng pairing-friendly elliptic curves using elements in the cyclotomic field. In Pairing-Based Cryptography — Pairing 2008, LNCS vol. 5209; 2008; pp. 126–135. 16. Miyaji, A.; Nakabayashi, M.; Takano, S. New explicit conditions of elliptic curve traces for FR-reduction. IEICE Transactions on Fundamentals, 2001, E84-A (5). 17. Barreto, P.S.L.M.; Lynn, B.; Scott, M. Constructing elliptic curves with prescribed embedding degrees. In Security in Communication Networks — SCN 2002, LNCS vol. 2576; 2003; pp. 257–267. 18. Boneh, D.; Lynn, B.; Shacham, H. Short signatures from the Weil pairing. In Advances in Cryptology — ASIACRYPT 2001, LNCS vol. 2248; 2001; pp. 514–532. 19. Galbraith, S.D.; Scott, M. Exponentiation in pairing-friendly groups using homomorphisms. Cryptology ePrint Archive, Report 2008/117, 2008. 20. Aranha, D.F.; Gouvêa, C.P.L.; et al. RELIC is an Efficient LIbrary for Cryptography. GitHub repository. https://github.com/relic-toolkit/relic (accessed Jul. 27, 2026). 21. Lynn, B. On the Implementation of Pairing-Based Cryptosystems. Ph.D. dissertation, Stanford Univ., Stanford, CA, USA, 2007. 22. Denis, F. libsodium. GitHub repository. https://github.com/jedisct1/libsodium (accessed Jul. 27, 2026). 23. OpenSSL Software Foundation. OpenSSL. GitHub repository. https://github.com/openssl/openssl (accessed Jul. 27, 2026). 48

24. Scott, M. The Apache Milagro Crypto Library (Version 2.0). MIRACL Labs, white paper. https://miracl.com/assets/pdf-downloads/amcl.pdf 25. Apache Software Foundation. Apache Milagro Crypto Library (AMCL). GitHub repository (incubator). https://github.com/apache/incubator-milagro-crypto-c (accessed Jul. 27, 2026). 26. Scott, M. Pairing implementation revisited. Cryptology ePrint Archive, Report 2019/077, 2019. 27. Montgomery, P.L. Modular multiplication without trial division. Mathematics of Computation, 1985, 44 (170), 519–521. 28. Kim, T.; Barbulescu, R. Extended tower number field sieve: A new complexity for the medium prime case. In Advances in Cryptology — CRYPTO 2016, LNCS vol. 9814; 2016; pp. 543–571. 29. Barbulescu, R.; Duquesne, S. Updating key size estimations for pairings. Journal of Cryptology, 2019, 32 (4), 1298–1336. 30. Free Software Foundation. GNU Affero General Public License, Version 3, Nov. 19, 2007. https://www.gnu.org/licenses/agpl-3.0.en.html 31. Free Software Foundation. The Fundamentals of the AGPLv3. FSF Bulletin, Fall 2021. https://www.fsf.org/bulletin/2021/fall/the-fundamentals-of-the-agplv3 32. Opensource.com. Do I need to provide access to source code under the AGPLv3 license?, 2017. https://opensource.com/article/17/1/providing-corresponding-source-agplv3license MASOFAVIY TAʼLIM JARAYONLARINI INTELLEKTUAL VA ADAPTIV BOSHQARISH MODELLARI Jamshid Elov Bekmuradovich Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti masofaviy ta’lim bo‘limi boshlig‘i Annotatsiya. Maqolada masofaviy taʼlim jarayonlarini intellektual va adaptiv boshqarish modellari tizimli tahlil qilingan. Intellektual oʻqitish tizimlarining (ITS) umumlashgan arxitekturasi MAPE-K oʻz-oʻzini moslashtirish sikli bilan qiyoslangan holda qaralib, unga xizmat qiluvchi model sinflari - qoidalarga asoslangan bilimlar muhandisligi, ehtimoliy-statistik, klassik mashinali oʻqitish, chuqur oʻqitish, mustahkamlashli oʻqitish va katta til modellari tasniflangan. Bilim holatini kuzatish (Knowledge Tracing) modellarining BKT’dan AKT va pyKT benchmarkigacha boʻlgan rivojlanish yoʻli, adaptatsiya turlarining Brusilovskiy taksonomiyasi asosidagi kengaytmasi, ontologik bilim modelini shakllantirishning gibrid yondashuvi, xulq-atvor va affektiv modellashtirish hamda generativ sunʼiy intellekt asosidagi prognozlash va erta ogohlantirish tizimlari koʻrib chiqilgan. Tadqiqot natijasida modellarni tanlashning olti guruhli mezonlar tizimi (prognoz sifati, moslashuvchanlik, maʼlumotlarga talab, hisoblash tejamkorligi, moslashuv imkoniyati, axloqiy-huquqiy muvofiqlik) taklif etilgan va yondashuv sinflari shu mezonlar boʻyicha qiyosiy baholangan. Baholash natijalari oʻrta koʻlamli oliy taʼlim muassasasi sharoitida yagona “eng yaxshi model” mavjud emasligini va qoidalarga asoslangan, chuqur 49

oʻqitish, RL hamda LLM yondashuvlarini birlashtiruvchi gibrid arxitektura eng maqbul yechim ekanligini koʻrsatadi. Kalit soʻzlar: masofaviy taʼlim, intellektual boshqaruv, adaptiv taʼlim tizimi, bilim holatini kuzatish, talaba modeli, ontologiya, mustahkamlashli oʻqitish, katta til modellari, erta ogohlantirish tizimi, oʻquv analitikasi. 1. KIRISH Masofaviy ta’limning keng ommalashuvi oliy ta’lim muassasalarida talabalarning o‘quv faoliyatini raqamli izlar asosida samarali boshqarish zaruratini yuzaga keltirmoqda. An’anaviy boshqaruv vositalari, jumladan, davomat va nazorat natijalari, ko‘pincha kechikkan va agregatsiyalangan axborotga asoslanganligi sababli, ta’lim jarayonidagi muammolarni o‘z vaqtida aniqlash imkonini cheklaydi. Shu bois, mashinali o‘qitish, o‘quv analitikasi va prognozlash usullariga asoslangan intellektual boshqaruv mexanizmlarini joriy etish dolzarb ilmiy-amaliy vazifa hisoblanadi. Bunda intellektual modellar talabaning raqamli izlari asosida uning o‘quv holatini baholash va prognozlashni, adaptiv mexanizmlar esa ushbu natijalarga muvofiq individual boshqaruv ta’sirlarini shakllantirishni ta’minlaydi. Mavjud ilmiy tadqiqotlarda masofaviy ta’limni boshqarishning turli modellari alohida yo‘nalishlar bo‘yicha keng o‘rganilgan bo‘lsa-da, ularni yagona intellektual-adaptiv boshqaruv konturi doirasida kompleks qiyoslash va amaliy sharoit uchun optimal modelni tanlash mezonlari yetarlicha tizimlashtirilmagan. Shu munosabat bilan, mazkur tadqiqotning maqsadi masofaviy ta’limni intellektual boshqarish modellarining zamonaviy holatini tahlil qilish, ularning imkoniyatlari va cheklovlarini aniqlash hamda oliy ta’lim muassasasining amaliy sharoitida qo‘llash uchun modellarni tanlash va baholash mezonlarini ilmiy jihatdan asoslashdan iborat. 2. TADQIQOT METODOLOGIYASI VA ADABIYOTLAR TAHLILI Tadqiqot 2015–2026-yillarda e’lon qilingan ilmiy manbalarni tizimli tahlil qilish (systematic review), qiyosiy tahlil va ekspert baholash usullariga asoslanadi. Adabiyotlar ACM Computing Surveys, Computers & Education, The Internet and Higher Education, Journal of Educational Data Mining, User Modeling and User-Adapted Interaction kabi ilmiy jurnallar hamda NeurIPS, KDD va EDM konferensiyalari materiallari asosida shakllantirildi. Manbalarni tanlashda ularning masofaviy yoki elektron ta’lim kontekstiga bevosita aloqadorligi, taklif etilgan model yoki algoritmning empirik baholanganligi, tajriba natijalarining taqqoslanishi va takrorlanuvchanligi asosiy mezonlar sifatida belgilandi. Adabiyotlar tahlili davomida masofaviy ta’limni intellektual boshqarishda qo‘llanilayotgan asosiy yondashuvlar bir necha guruhga ajratildi: o‘quv analitikasi va mashinali o‘qitish modellari, bilim holatini baholash modellari, talabalar xatti-harakatini prognozlash va xavfni aniqlash modellari, bilimga asoslangan qaror qabul qilish hamda adaptiv ta’lim mexanizmlari. Tahlil natijalari mavjud tadqiqotlarda talabaning bilim holatini aniqlash va natijalarini prognozlash masalalari yetarlicha o‘rganilganligini, biroq monitoring → holatni baholash → xavfni prognozlash → boshqaruv qarori → adaptiv ta’sir ketma-ketligini yagona intellektual boshqaruv konturida birlashtirish masalasi nisbatan kam tadqiq etilganligini ko‘rsatdi. Shu asosda tadqiqotning nazariy va amaliy bo‘shlig‘i aniqlanib, modellarni kompleks baholash zarurati asoslandi. 50

Tahlil uch bosqichda amalga oshirildi. Birinchi bosqichda intellektual boshqaruv tizimining umumlashgan arxitekturasi shakllantirilib, aniqlangan model sinflari uning tegishli funksional komponentlariga biriktirildi. Ikkinchi bosqichda har bir model sinfi bo‘yicha yetakchi yondashuvlarning empirik natijalari aniqlik, prognozlash samaradorligi, interpretatsiyalanuvchanlik, hisoblash murakkabligi va real vaqt rejimida qo‘llash imkoniyati kabi ko‘rsatkichlar bo‘yicha qiyoslandi. Uchinchi bosqichda oliy ta’lim muassasasining amaliy sharoitidan kelib chiqadigan boshqaruv talablari asosida mezonlar tizimi shakllantirilib, model sinflari ekspert-baholash usuli orqali baholandi. Olingan natijalar issiqlik xaritasi (heat-map) ko‘rinishida umumlashtirilib, masofaviy ta’limni intellektual boshqarish uchun eng maqbul yondashuvlarni aniqlashga xizmat qildi. 3.ASOSIY QISM Intellektual boshqaruv tizimining umumlashgan arxitekturasi Taʼlimni intellektual boshqarish tizimlarining nazariy asosi intellektual oʻqitish tizimlari (Intelligent Tutoring Systems, ITS) anʼanasida shakllangan boʻlib, K.VanLen [20] tadqiqotlarida ularning samaradorligi individual repetitorlik samarasiga yaqinlashishi mumkinligi koʻrsatilgan. Klassik ITS arxitekturasi quyidagi toʻrt komponentdan iborat (1-rasm): 1-rasm. Masofaviy taʼlimni intellektual boshqarish tizimining umumlashgan arxitekturasi 51

– talaba modeli — talabaning bilim holati, xulq-atvori va individual xususiyatlarining hisoblanuvchi tasviri; – bilim sohasi modeli — oʻzlashtirilishi lozim boʻlgan bilim birliklari va ular orasidagi bogʻlanishlar tuzilmasi; – pedagogik modul — oʻquvchi va bilim sohasi modellariga tayanib boshqaruv taʼsirini tanlovchi qaror mexanizmi; – interfeys moduli — boshqaruv taʼsirini talabaga yetkazuvchi va uning javob reaksiyasini qayd etuvchi boʻgʻin. Zamonaviy talqinlarda ushbu arxitektura oʻz-oʻzini moslashtiruvchi tizimlarning MAPE-K sikli (Monitor – Analyze – Plan – Execute – Knowledge) [13] bilan uygʻunlashtiriladi. Intellektual modellarning har bir sinfi arxitekturaning muayyan komponentiga xizmat qiladi. Bilim holatini kuzatish modellari talaba modelining asosini tashkil etadi; ontologik va bilimlar muhandisligi usullari bilim modelini shakllantiradi; mustahkamlashli oʻqitish va tavsiya tizimlari pedagogik modulning qaror mexanizmini taʼminlaydi; prognozlash modellari esa monitoring va tahlil boʻgʻinini kuchaytiradi. Intellektual boshqaruvda qoʻllaniladigan yondashuvlarning umumiy tasnifi 1-jadvalda keltirilgan. 1-jadval Taʼlimni intellektual boshqarish yondashuvlarining tasnifi Yondashuv Mohiyati Tipik modellari va Taʼlimdagi asosiy sinfi usullari qoʻllanishi Qoidalarga asoslangan bilimlar muhandisligi Ekspert bilimlari Produksion qoidalar, “agar–unda” qoidalari ontologiyalar (OWL), va ontologiyalar noravshan mantiq koʻrinishida rasmiylashtiriladi Ehtimoliystatistik Talaba holati yashirin BKT, Bayes Bilim holatini kuzatish, oʻzgaruvchi sifatida tarmoqlari, yashirin test natijalarini ehtimoliy model Markov modellari, IRT kalibrlash orqali baholanadi Klassik mashinali oʻqitish Belgilar asosida bashorat modellari tarixiy maʼlumotlardan oʻrganiladi Chuqur oʻqitish Xom hodisalar ketma- DKT (RNN/LSTM), Ketma-ket bilim ketligidan murakkab SAKT, grafli tarmoqlar kuzatuvi, xulq-atvorni bogʻliqliklar (GKT) modellashtirish avtomatik oʻrganiladi Logistik (PFA), gradient klasterlash Bilim modeli, adaptiv navigatsiya, tushuntirish generatsiyasi regressiya Natijani prognozlash, daraxtlar, xavf guruhlarini busting, aniqlash, segmentlash Mustahkamlashli Boshqaruv MDP/POMDP, Q- Trayektoriyani oʻqitish (RL) strategiyasi sinov-xato learning, DQN, DRL optimallashtirish, orqali kumulyativ 52

Yondashuv sinfi Mohiyati Tipik modellari va usullari mukofotni maksimallashtirishga oʻrganiladi Taʼlimdagi asosiy qoʻllanishi topshiriq ketma-ketligi, aralashuv siyosati Katta til Oldindan oʻqitilgan GPT-oilasi, ochiq LLM Virtual tyutor, qayta modellari (LLM) generativ modellar lar, RAG aloqa generatsiyasi, dialog va kontent arxitekturalari kontent yaratish darajasida qoʻllanadi . Talabaning bilim holatini kuzatish modellari Talaba modelining asosiy vazifasi bilim holatini kuzatishdan iborat boʻlib, talabaning topshiriqlarga bergan javoblari ketma-ketligi asosida uning har bir bilim birligi boʻyicha oʻzlashtirish darajasi dinamik baholanadi va keyingi javobi bashorat qilinadi (2-rasm). G. Abdelrahman, Q. Vang va B. Nunesning fundamental sharhida [1] taʼkidlanganidek, bilim holatini kuzatish (Knowledge Tracing, KT) soʻnggi yillarda taʼlim texnologiyalaridagi eng faol tadqiq etilayotgan masalalardan biriga aylangan. 2-rasm. Bilim holatini kuzatish modellarining rivojlanish bosqichlari A.Korbett va J.Anderson [5] tomonidan taklif etilgan Bayes bilim kuzatuvi (BKT) talabaning har bir bilim birligi boʻyicha holatini ikkilik yashirin oʻzgaruvchi (“oʻzlashtirgan / oʻzlashtirmagan”) sifatida qaraydi va boshlangʻich bilish, oʻrganish, taxmin hamda xato ehtimollari kabi toʻrtta interpretatsiyalanuvchi parametr orqali yashirin Markov modeli koʻrinishida ifodalaydi. K.Pich va boshqalar [17] taklif etgan DKT (Deep Knowledge Tracing) modeli LSTM rekurrent neyron tarmogʻi asosida javoblar ketma-ketligidan bilim holatining uzluksiz yashirin tasvirini oʻrganadi va bilim birliklarining oʻzaro bogʻlanishlarini avtomatik aniqlaydi. S.Pandey va G.Karypis [16] tomonidan taklif etilgan, diqqat mexanizmlariga asoslangan SAKT yondashuvi uzoq ketma-ketliklardagi bogʻliqlikni samaraliroq qamrab oladi. 53

A.Gʻosh, N.Xeffernan va A.Lan [8] taqdim etgan AKT (Context-Aware Attentive Knowledge Tracing) yondashuvi kontekstga sezgir diqqat va unutishni aks ettiruvchi monotonik mexanizm hisobiga eng barqaror natijalardan birini koʻrsatadi. Shu bilan birga, T.Jerve va boshqalarning keng qamrovli taqqoslash tadqiqotida [7] toʻqqizta real maʼlumotlar toʻplami boʻyicha yaxshi sozlangan logistik modellar chuqur oʻqitish modellari bilan taqqoslanadigan aniqlikni namoyish etgan. Z.Lyu va boshqalar tomonidan taqdim etilgan pyKT benchmarki [14] avvalgi koʻplab taqqoslashlardagi metodik xatolarni aniqlab, yagona qatʼiy baholash muhitini yaratgan hamda AKT sinfidagi modellarning ustunligini tasdiqlagan holda, farqlar koʻpincha kichik ekanligini koʻrsatgan. Yuqorida tahlil qilingan modellarning umumlashtirilgan aniqlik koʻrsatkichlari 3-rasmda keltirilgan. 3-rasm. Bilim holatini kuzatish modellarining prognoz aniqligi boʻyicha qiyoslanishi Aniqlik boʻyicha yutuq katta boʻlmagan sharoitda model tanlovi aniqlikdan tashqari omillar, jumladan moslashuvchanlik, maʼlumotlar hajmiga talab va joriy etish qiymati bilan belgilanishi lozim. Oʻrta koʻlamli oliy taʼlim muassasasi platformasi sharoitida BKT va logistik modellar boshlangʻich bosqich uchun, chuqur modellar esa maʼlumotlar yetarlicha toʻplangan keyingi bosqich uchun maqsadga muvofiq boʻlib, ikkala darajani umumlashtiruvchi gibrid yondashuvli yagona arxitekturani shakllantirish talab etiladi. Adaptiv taʼlim modellari Bilim holatini baholash adaptatsiya mexanizmlari orqali oʻquv jarayonini oʻzgartirganda amaliy ahamiyat kasb etadi. Adaptiv gipermedia va adaptiv taʼlim tizimlari nazariyasining asoschilaridan P.Brusilovskiy [4] taklif etgan klassik taksonomiya adaptatsiyani ikki katta guruhga ajratadi. Birinchishi kontentni moslashtirish (adaptive presentation), ya’ni kontent mazmuni va koʻrinishini talabaga moslash. Ikkinchisi navigatsiyani moslashtirish (adaptive navigation), ya’ni oʻquv birliklari boʻylab harakat yoʻlini boshqarish. Zamonaviy LMS tizimlarida bu ikki guruhga jarayonni moslashtirish (topshiriqlar ketma-ketligi, qiyinlik darajasi, surʼat, aralashuvlar) uchinchi guruhi ham qoʻshiladi (2-jadval). Adaptatsiya sifati bevosita talaba modelining toʻliqligiga bogʻliq. Zamonaviy tadqiqotlarda talaba modeli bilim holatidan tashqari xulq-atvor (faollik ritmi, prokrastinatsiya, resurslardan foydalanish uslubi), affektiv holat (qiziqish, zerikish, xavotir) va meta-kognitiv koʻnikmalar (oʻzoʻzini boshqarish) oʻlchamlarini ham qamrab boradi. V.Xolms va I.Tuomining tahliliy ishida [10] qayd etilganidek, taʼlimda sunʼiy intellektning haqiqiy samarasi aynan texnik modellar bilan pedagogik maqsadlarning uygʻunligiga bogʻliq. Adaptatsiya oʻz-oʻzidan maqsad emas, balki 54

oʻqitish natijalarini yaxshilash vositasi hisoblanadi. Shu sababli adaptiv mexanizmlarni loyihalashda talabaning tanlov erkinligini saqlash, xavfning oldini olish, tizim qarorlarining tushunarli asoslanishi texnik mezonlar bilan teng darajada muhim hisoblanadi. Adaptatsiya turi Asosiy texnikalar 2-jadval Adaptatsiya turlari, texnikalari va tatbiq shakllari Moslashuv asosi Tatbiq misollari (talaba modeli belgilari) Kontent taqdimotini moslashtirish Variantli tushuntirishlar, Bilim darajasi, qoʻshimcha/soddalashtirilgan oldingi tajriba, til, fragmentlar, misollar tanlovi, idrok xususiyatlari modallik (matn/video) Adaptiv darsliklar, moslashuvchan maʼruza materiallari Navigatsiyani moslashtirish Havolalarni tartiblash, yashirish, izohlash (annotatsiya), toʻgʻridantoʻgʻri yoʻnaltirish KC boʻyicha oʻzlashtirish xaritasi, oldshartlar grafi Kurs xaritasidagi “svetofor” belgilari, tavsiya etilgan keyingi qadam Topshiriqlar ketma-ketligini moslashtirish Bilim boʻshligʻiga qarab KT bahosi, Adaptiv mashq tanlash, qiyinlikni dinamik urinishlar tarixi, tizimlari, adaptiv sozlash, oraliqli takrorlash unutish egri chizigʻi testlar (CAT) (spaced repetition) Surʼat va Muddatlarni Faollik ritmi, Moslashuvchan yuklamani individuallashtirish, modul bajarish tezligi, jadval, individual moslashtirish hajmini boʻlish, yuklama bandlik profili oʻquv rejasi balansi QoʻllabMaslahatlar, quvvatlash va eslatmalar, aralashuvlar yoʻnaltirish, xabarlar avtomatik Xavf Erta ogohlantirish tyutorga koʻrsatkichlari, tizimlari, virtual motivatsion faollik pasayishi, yordamchi hissiy holat belgilari Bilim modelini shakllantirish Adaptatsiya mexanizmlarining barchasi bilim modelining sifatiga tayanadi. Bunda talabaga “keyingi qadam”ni toʻgʻri tavsiya etish uchun tizim bilim birliklari nimalardan iboratligini, ular orasida qanday oldshart (prerequisite) munosabatlari mavjudligini va har bir kontent birligi qaysi kompetensiyaga xizmat qilishini bilishi lozim. Ushbu bilimni rasmiylashtirish uchun ontologik yondashuv keng qoʻllaniladi, jumladan fanlar, mavzular, bilim birliklari, kompetensiyalar kabi tushunchalar, ularning xossalari va oʻzaro munosabatlari formal-mantiqiy tilda ifodalanadi. Ontologiyaning boshqaruvdagi asosiy afzalliklari uchta. Birinchidan, u adaptiv navigatsiya uchun qatʼiy cheklovlar tizimini beradi. Ikkinchidan, mashinali oʻqitish modellarining statistik xulosalari ustidan mantiqiy nazorat oʻrnatadi va tavsiyalarni tushuntirish imkonini yaratadi. Uchinchidan, turli manbalardan kelayotgan maʼlumotlarni yagona semantik asosga keltiradi [2]. 55

Shu bilan birga ontologik yondashuvning cheklovlari ham mavjud. Ontologiyani qurish va dolzarb saqlash murakkab vazifa hisoblanib, “bilimlarni olish tiqilinchi” (knowledge acquisition bottleneck) deb ataluvchi klassik muammoni keltirib chiqaradi. Har bir fan boʻyicha bilim birliklari va bogʻlanishlarni qoʻlda kiritish katta kontingentli oliy taʼlim muassasasi miqyosida amalda bajarib boʻlmas vazifaga aylanadi. Soʻnggi yillar tadqiqotlarida bu muammoni hal qilishning ikki yoʻnalishi shakllandi. Tabiiy tilni qayta ishlash vositalari yordamida oʻquv kontentidan tushunchalar va bogʻlanishlarni yarim avtomatik ajratib olish [3], hamda talabalar javoblari statistikasi asosida munosabatlarni maʼlumotlardan tiklash mumkin. Amaliy jihatdan eng barqaror yechim gibrid yondashuv hisoblanadi. Ontologiyaning yuqori sathlari (fanlar, modullar, asosiy kompetensiyalar) ekspert tomonidan, quyi sathdagi bogʻlanishlar esa algoritmik usullar bilan toʻldirilib, ekspert tasdigʻidan oʻtkaziladi (4-rasm). 4-rasm. Tabiiy tilni qayta ishlash vositalari asosida bilim modelini shakllantirish Talaba xulq-atvorini va affektiv holatini modellashtirish Talabaning kursni tark etishi koʻpincha bilim tanqisligidan emas, balki faollik va motivatsiyaning pasayishidan boshlanadi. Bu esa xulq-atvorni modellashtirishni boshqaruv konturining mustaqil komponentiga aylantiradi. Xulq-atvor modellari raqamli izning vaqt boʻyicha xususiyatlariga tayanadi. Tizimga kirishlar ritmi va muntazamligi, sessiyalar davomiyligi, muddatlarga nisbatan bajarish vaqti, resurslardan foydalanish ketma-ketligi, urinishlar orasidagi intervallar hisobga olinadi. Ushbu belgilarga klasterlash usullari qoʻllanilishi natijasida talabalarning barqaror xulq-atvor profillari ajratiladi. Profillar dinamikasi, yaʼni bir profildan ikkinchisiga oʻtishlar esa xavfning erta signali sifatida xizmat qiladi [19]. Bunday yondashuvning afzalligi shundaki, u fan mazmunidan mustaqil boʻlib, barcha kurslar boʻyicha yagona mexanizmda ishlaydi va bilim modeli hali ishonchli boʻlmagan dastlabki davrda ham signal beradi. Xulq-atvor tahlilining chuqurroq qatlami - affektiv hisoblash, yaʼni talabaning qiziqish, zerikish, xavotir, umidsizlik kabi hissiy-motivatsion holatini aniqlashga urinish hisoblanadi [21]. Masofaviy taʼlim sharoitida affektiv holat bilvosita indikatorlar javob berish tezligining 56

oʻzgarishi, xatolardan keyingi xatti-harakatlar, yordam soʻrash chastotasi, matnli muloqot ohangi orqali baholanadi. Talabalar fikr-mulohazalarini aspektga asoslangan hissiyot tahlili (aspect-based sentiment analysis, ABSA) usullari bilan qayta ishlash [12] oʻquv jarayonining qaysi jihatlari (kontent sifati, oʻqituvchi bilan aloqa, platforma qulayligi, yuklama) norozilik manbai ekanini aniqlash imkonini beradi va institutsional boshqaruv qarorlari uchun bevosita axborot manbai boʻlib xizmat qiladi. Prognozlash modellari va generativ sunʼiy intellekt Boshqaruv konturining tahlil boʻgʻinida alohida oʻrinni prognozlash modellari oʻquv natijalarini, kursni tark etish xavfini va akademik qarzdorlikni oldindan baholash vositalari egallaydi. C.Romero va S.Venturaning yangilangan fundamental sharhida [18] taʼlim maʼlumotlarini intellektual tahlil qilish (EDM) va oʻquv analitikasi (LA) usullarining toʻliq xaritasi berilgan boʻlib, prognozlash ular ichida eng koʻp qoʻllaniladigan masala sifatida qayd etiladi. Amalda logistik regressiyadan gradient bustinggacha boʻlgan usullar qoʻllanib, belgilar sifatida faollik chastotasi, muddatlarga rioya, oraliq natijalar va xulq-atvor ritmlari ishlatiladi. Prognozlash modellarining institutsional tatbiq shakli erta ogohlantirish tizimlari boʻlib, ular xorijiy universitetlar amaliyotida keng qoʻllanmoqda [9]. Bunda haftalik davriylikda barcha talabalar boʻyicha xavf koʻrsatkichlari qayta hisoblanadi, belgilangan chegaradan oshgan holatlar oʻqituvchi va tyutorlar paneliga chiqariladi, har bir signal boʻyicha tavsiya etilgan aralashuv (bogʻlanish, konsultatsiya, muddatni koʻchirish) qayd etiladi, aralashuv natijasi esa keyingi siklda modelga qayta aloqa sifatida qaytadi. Tajriba shuni koʻrsatadiki, bunday tizimlarning samarasi model aniqligidan koʻra tashkiliy integratsiyaga signallar boʻyicha real harakat mexanizmi mavjudligiga koʻproq bogʻliq. Qayta ishlanmay qolgan signal qiymatsiz hisoblanadi, notoʻgʻri signallar oqimi esa oʻqituvchilar ishonchini kamaytiradi. Shu sababli erta ogohlantirish tizimini loyihalashda aniqlik–qamrov muvozanatini pedagogik resurslar hajmiga moslashtirish, yaʼni oʻqituvchi real ishlov bera oladigan hajmdagi yuqori ishonchli signallar berish mustaqil mezon sifatida qaraladi. 2023-yildan boshlab taʼlimga sifat jihatidan yangi omil katta til modellari (LLM) kirib keldi. E.Kasnetsi va boshqalar [11] LLM’larning individual tushuntirish, qayta aloqa generatsiyasi, kontent yaratish, virtual tyutorlik kabi imkoniyatlari va ishonchsiz javoblar, gallyutsinatsiyalar, akademik halollik, maʼlumotlar maxfiyligi, tengsizlik kabi xavflarini muvozanatli tahlil qilgan. Boshqaruv nuqtai nazaridan LLM’lar mavjud modellarni almashtirmaydi, balki toʻldiradi. Ular boshqaruv taʼsirining talaba bilan tabiiy tildagi individual muloqoti uchun kuchli vosita boʻlsa-da, bilim holatini miqdoriy kuzatish va strategik qaror qabul qilish uchun ixtisoslashgan modellarga ehtiyoj saqlanib qoladi. Shuningdek, LLM’larning resurs talabi, javoblar barqarorligi va oʻzbek tilidagi sifati hali institutsional joriy etish uchun yetuk emas. Modellarni tanlash va baholash mezonlari tizimi Amalga oshirilgan tahlillarga koʻra, yondashuvlarning har biri oʻz kuchli tomonlari va cheklovlariga ega boʻlib, “universal eng yaxshi model” mavjud emas. Boshqaruv talablari va adabiyotlardagi metodik tavsiyalar asosida mezonlarning quyidagi olti guruhli tizimi taklif etiladi (3-jadval). Taklif etilgan mezonlar boʻyicha asosiy yondashuv sinflarining umumlashtirilgan bahosi 5rasmda issiqlik xaritasi (heat-map) koʻrinishida keltirilgan. 57

Mezon guruhi 3-jadval Intellektual boshqaruv modellarini baholash mezonlari tizimi Mazmuni va oʻlchov Amaliy joriy etish uchun koʻrsatkichlari ahamiyati Prognoz sifati AUC, aniqlik (accuracy), F1, Xavfni erta aniqlash va RMSE; kalibrlanganlik; erta trayektoriya tanlovi toʻgʻridanprognoz sifati (semestr boshida) toʻgʻri prognoz sifatiga tayanadi Moslashuvchanlik va izohlanish Parametrlarning maʼnosi; qarorni imkoniyati Maʼlumotlarga talab Minimal tarixiy hajm; “sovuq Yangi kurslar va yangi talabalar start”ga bardoshlilik; doimiy paydo boʻladi belgilar muhandisligi zarurati pedagogik Oʻqituvchi va maʼmuriyat tushuntirish ishonchi, joriy etish maqbulligi uchun hal qiluvchi Taʼlim platformasi oddiy server Hisoblash va joriy Oʻqitish/xulosa vaqti; infratuzilma infratuzilmasida barqaror etish tejamkorligi talabi; texnik xizmat murakkabligi ishlashi lozim Moslashuv imkoniyati Modeldan boshqaruv taʼsiriga Model tahlil uchun emas, faol oʻtish tabiiyligi; real vaqtda boshqaruv konturi uchun ishlab yangilanish chiqiladi Axloqiy-huquqiy muvofiqlik Xolislik; shaxsiy maʼlumotlar himoyasi; inson nazorati; meʼyoriy talablarga moslik Shaxsga doir qonunchiligiga majburiy maʼlumotlar muvofiqlik 5-rasm. Yondashuv sinflarini mezonlar boʻyicha baholash matritsasi 58

5-rasmda intellektual boshqaruv yondashuvlari prognoz aniqligi, interpretatsiya qilinishi, maʼlumotga boʻlgan talab, hisoblash tejamkorligi, “sovuq start” sharoitida ishlash va adaptiv boshqaruv imkoniyatlari boʻyicha qiyosiy baholangan. Tahlil natijalari shuni koʻrsatadiki, qoidalarga asoslangan, BKT va logistik (IRT/PFA) yondashuvlar yuqori izohlanishi, kam maʼlumot talab qilishi hamda hisoblash jihatidan tejamkorligi bilan ajralib turadi, biroq prognoz aniqligi va murakkab oʻquv jarayonlarini modellashtirish imkoniyatlari cheklangan. Chuqur bilimni kuzatish (DKT/AKT) hamda LLM asosidagi yondashuvlar prognoz aniqligi boʻyicha ustun natijalarni namoyon etsa-da, katta hajmdagi maʼlumot va hisoblash resurslarini talab qiladi. Mustahkamlashli oʻqitish (RL) esa individual oʻquv trayektoriyasini adaptiv boshqarish imkoniyatlari boʻyicha eng yuqori bahoga ega boʻlib, real vaqt rejimida qaror qabul qilish uchun qulay hisoblanadi. 4. XULOSA Boshqaruv tizimining arxitekturasi klassik ITS komponentlari bilan MAPE-K siklining uygʻunligi sifatida talqin etilishi model sinflarini arxitektura boʻgʻinlariga aniq biriktirish va boshqaruv konturini yopiq holga keltirish imkonini beradi. Bilim holatini kuzatish sohasida soʻnggi yillardagi aniqlik yutugʻi kichik boʻlgani sababli model tanlovi faqat aniqlikka emas, balki maʼlumotlarga talab, izohlanish va joriy etish qiymatiga ham tayanishi lozim. Adaptatsiya sifati talaba modelining toʻliqligiga bogʻliq boʻlib, model bilim holatidan tashqari xulq-atvor, affektiv va meta-kognitiv oʻlchamlarni ham qamrab olishi, ayni paytda affektiv modellashtirish faqat rozilikka asoslangan rejimlarda qoʻllanilishi zarur. Ontologik bilim modelini shakllantirishda ekspert bilimi va tabiiy tilni qayta ishlashni birlashtiruvchi gibrid yondashuv, erta ogohlantirish tizimlarida esa signallar hajmini oʻqituvchining real imkoniyatiga moslashtirish hal qiluvchi ahamiyatga ega. Taklif etilgan olti guruhli mezonlar tizimi boʻyicha qiyosiy baholash universal “eng yaxshi model” mavjud emasligini tasdiqladi. Yuqori prognoz aniqligi, izohlanish va moslashuvchanlikni birgalikda taʼminlash uchun qoidalarga asoslangan, chuqur oʻqitish, mustahkamlashli oʻqitish va LLM yondashuvlarini integratsiyalovchi gibrid arxitektura eng maqbul yechim hisoblanadi. FOYDALANILGAN ADABIYOTLAR: 1. Abdelrahman, G., Wang, Q., & Nunes, B. P. (2023). Knowledge tracing: A survey. ACM Computing Surveys, 55(11), Article 224, 1–37. https://doi.org/10.1145/3569576 2. Abu-Salih, B., & Alotaibi, S. (2024). A systematic literature review of knowledge graph construction and application in education. Heliyon, 10(3), e25383. https://doi.org/10.1016/j.heliyon.2024.e25383 3. Al-Aswadi, F. N., Chan, H. Y., & Gan, K. H. (2020). Automatic ontology construction from text: A review from shallow to deep learning trend. Artificial Intelligence Review, 53(6), 3901–3928. https://doi.org/10.1007/s10462-019-09782-9 4. Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User Modeling and User-Adapted Interaction, 6(2–3), 87–129. https://doi.org/10.1007/BF00143964 5. Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. https://doi.org/10.1007/BF01099821 59